pytorch中的transforms.ToTensor和transforms.Normalize的实现

PyTorch是目前非常流行的深度学习框架之一，它提供了transforms模块来进行图像的预处理。其中，transforms.ToTensor和transforms.Normalize是常用的图像预处理方法，下面将详细讲解它们的实现。

一. transforms.ToTensor实现

transforms.ToTensor用于将PIL图像或numpy.array数组类型的图像转换成PyTorch中的tensor类型，并将图像像素值归一化到[0,1]之间。其实现可分为以下几个步骤：

1. 将PIL图像或numpy.array数组类型的图像转换成tensor类型；
2. 将图像像素值转换为[0,1]之间的小数；
3. 调整图像的维度，将通道维度放在第二个位置。即变为(C,H,W)的形式。

以下是使用样例一：

from PIL import Image
from torchvision import transforms
import torch

# 加载图像
img = Image.open('test.jpg')

# 定义变换
transform = transforms.Compose([
    transforms.Resize((224,224)),
    transforms.ToTensor(),
])

# 进行图像变换
img_t = transform(img)
print(img_t.shape)
print(torch.min(img_t), torch.max(img_t))

输出结果为：

torch.Size([3, 224, 224])
tensor(0.) tensor(1.)

解释一下输出的结果：torch.Size([3, 224, 224])表示变换后图像的维度为(C,H,W)，其中C表示图像的通道数，为3；tensor(0.) tensor(1.)表示变换后的图像像素值位于[0,1]之间。

以下是使用样例二：

import numpy as np

# 生成numpy数组
img_np = np.array(img)

# 定义变换
transform = transforms.Compose([
    transforms.ToTensor(),
])

# 进行图像变换
img_t = transform(img_np)
print(img_t.shape)
print(torch.min(img_t), torch.max(img_t))

输出结果为：

torch.Size([3, 300, 400])
tensor(0.) tensor(1.)

解释一下输出的结果：torch.Size([3, 300, 400])表示变换后图像的维度为(C,H,W)，其中C表示图像的通道数，为3；tensor(0.) tensor(1.)表示变换后的图像像素值位于[0,1]之间。

需要注意的是，在使用transforms.ToTensor变换时，PIL图像或numpy.array数组类型的图像需要保证通道维度在最后一个位置。

二. transforms.Normalize实现

transforms.Normalize用于对输入图像进行标准化处理，即按照给定的均值和标准差对输入图像进行标准化。其实现可分为以下几个步骤：

1. 根据给定的均值和标准差对输入图像进行标准化；
2. 将图像像素值再次归一化到[-1,1]之间。

以下是使用样例一：

from PIL import Image
from torchvision import transforms
import torch

# 加载图像
img = Image.open('test.jpg')

# 定义变换
transform = transforms.Compose([
    transforms.Resize((224,224)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

# 进行图像变换
img_t = transform(img)
print(img_t.shape)
print(torch.min(img_t), torch.max(img_t))

输出结果为：

torch.Size([3, 224, 224])
tensor(-2.1179) tensor(2.2489)

解释一下输出的结果：torch.Size([3, 224, 224])表示变换后图像的维度为(C,H,W)，其中C表示图像的通道数，为3；tensor(-2.1179) tensor(2.2489)表示变换后的图像像素值位于[-1,1]之间。

以下是使用样例二：

import numpy as np

# 生成numpy数组
img_np = np.array(img)

# 定义变换
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

# 进行图像变换
img_t = transform(img_np)
print(img_t.shape)
print(torch.min(img_t), torch.max(img_t))

输出结果为：

torch.Size([3, 300, 400])
tensor(-2.1179) tensor(2.2489)

解释一下输出的结果：torch.Size([3, 300, 400])表示变换后图像的维度为(C,H,W)，其中C表示图像的通道数，为3；tensor(-2.1179) tensor(2.2489)表示变换后的图像像素值位于[-1,1]之间。

需要注意的是，在使用transforms.Normalize时，输入的图像必须是tensor类型。